基于卷积神经网络的乳腺肿块检测与识别的研究

发布时间：2021-01-14 09:23

　　医疗影像的自动化检测识别精度的提升是提高病理科医生工作效率的关键,乳腺钼靶片中肿块的检测识别作为医疗图像自动化检测识别的重要组成部分,是目前学术界以及工业界研究的热点方向,通过提升对乳腺肿块检测、识别的准确率对于医生的实际工作以及普及肿块筛查具有非常重要的意义。卷积神经网络作为一种仿生物视觉机制的工作模式,在强监督学习下通过其独有的特性参数间的共享信息以及各层之间的连接稀疏性能够让学习到非常细小的图像特征,但在医学图像上的应用仍旧存在非常多的问题,这也是由于医学图像自身图像信息复杂、组织区别细微、特殊情况需要结合多幅视图特征等原因造成的同时医学图像标注复杂。本文针对模型做出了以下改进:（1）在经典的全卷积神经网络的基础上提出了一种基于主动学习策略和金字塔池化的检测算法。一方面通过引入主动学习的训练策略,减少了数据的标注工作量;另一方面由于钼靶影像上组织区别细微且不同病患之间肿块尺寸差异性非常大,通过对卷积层提取到的特征进行不同大小的池化拼接,增强了算法的泛化能力。（2）在医生的实际工作流程中要进行判断的时候是要结合多视图的基础上提出了一种基于双视图的肿块匹配算法。通过VGG16网络模型... 

【文章来源】：南昌大学江西省 211工程院校

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景和意义
    1.2 国内外研究现状
        1.2.1 医疗乳腺肿块辅助诊断系统
        1.2.2 乳腺检查图像成像技术
        1.2.3 乳腺肿块检测
        1.2.4 乳腺肿块识别
    1.3 论文研究内容
    1.4 本文章节安排
第2章 卷积神经网络检测及识别相关理论
    2.1 卷积神经网络分割检测
        2.1.1 FCN模型介绍
        2.1.2 U-Net模型介绍
    2.2 卷积神经网络的图像识别
    2.3 本章小结
第3章 基于改进FCN网络的乳腺肿块检测
    3.1 数据准备
        3.1.1 数据扩展
        3.1.2 数据集的标注
    3.2 关键技术
        3.2.1 金字塔池化融合
        3.2.2 主动学习
    3.3 乳腺X线照片肿块检测框架
    3.4 网络训练
    3.5 实验结果及分析
    3.6 视觉对比分析
    3.7 本章小结
第4章 基于卷积神经网络的双视图肿块匹配识别
    4.1 数据标注
    4.2 双视图肿块匹配的技术关键
        4.2.1 匹配对参考对象
        4.2.2 匹配对的分类判别及特征提取
    4.3 双视图肿块匹配框架
    4.4 网络模型设计
    4.5 实验数据及结果分析
    4.6 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献


【参考文献】：
期刊论文
[1]磁共振成像与乳腺钼靶X线摄影检查在乳腺癌患者中的诊断价值[J]. 凌洪.  医疗装备. 2019(15)
[2]彩超诊断乳腺肿块的临床应用[J]. 徐琳琳.  人人健康. 2019(11)
[3]基于深度自编码网络的运动目标检测[J]. 徐培,蔡小路,何文伟,谢易道.  计算机应用. 2014(10)
[4]最小差异采样的主动学习图像分类方法[J]. 吴健,盛胜利,赵朋朋,崔志明.  通信学报. 2014(01)
[5]一种结合主动学习的半监督文档聚类算法[J]. 赵卫中,马慧芳,李志清,史忠植.  软件学报. 2012(06)
[6]快速离散化双线性插值算法[J]. 陈良,高成敏.  计算机工程与设计. 2007(15)
[7]用于神经网络手写体字符识别的自适应归一化处理方法[J]. 孙光民,李岩,王鹏,杨静.  模式识别与人工智能. 2005(03)
[8]基于双线性插值算法的图像放缩技术与实现[J]. 冯慧君,陶素娟,李隆.  计算机应用与软件. 2004(07)

博士论文
[1]多视角乳腺X线图像的乳腺癌检测与分类方法研究[D]. 李艳凤.北京交通大学 2015



本文编号：2976647